masing-masing sampel penelitian. Model time series dapat memberi dampak terhadap variabel dependen melalui variasi variabel independen. Pengaruh
variabel independen akan terdistribusi sepanjang kurun waktu pengamatan, yang memiliki adanya lag distribusi. Model distribusi lag adalah model yang dirancang
bahwa variabel dependen dapat muncul dalam model regresi sepanjang waktu, bentuk time lag yang berbeda yang kemudian menjadi variabel independen
sebagai variabel penjelas terhadap variabel dependen Ahli ekonometrik biasanya menemukan beberapa persoalan yang berkaitan dengan persoalan asumsi yang
melandasi pendekatan regresi; 1 bahwa fakta yang dapat mempengaruhi satu sama lain melalui lag. 2 biasanya ada variabel yang non-stationary: yaitu
variabel yang cenderung mengikuti trend menaik atau menurun selama masa pengamatan dan 3 melalui pengukuran variabel ekonomi menggunakan satuan
nilai moneter, misalnya adanya fluktuasi harga akan memberi dampak terhadap efisiensi data yang tersedia sebagai bentuk gangguan.
I. DATA STATIONARITAS
Suatu seri variabel dikatakan stationary bila tidak memiliki kecenderungan naik atau turun dari waktu ke waktu. Bila terdapat rangkaian variabel yang stationer
berarti pola rata-rata, varian dan otokorelasi selalu mengikuti pola yang sama sepanjang kurun waktu pengamatan. Suatu seri variabel tidak memenuhi kriteria
tersebut sepanjang kurun waktu pengamatan disebut nonstationary Bila terdapat suatu variabel yang nonstationary akan menyebabkan hasil komputasi tidak lagi
mencerminkan yang terbaik Ini akan terlihat dalam hasil regresi melalui uji
signifikansi, goodness of fit dan variabel yang nonstationary akan memberi dampak besar pada regresi dari pada yang semestinya. Bila hasil regresi uji
signifikansi sangat kuat melalui uji t-statistik maka ada kemungkinan bahwa ada faktor-faktor lain yang mempengaruhi regresi. Bila ini terjadi maka metode yang
akan digunakan mengatasi masalah ini ialah melakukan teknik diferensiasi untuk mengendalikan otokorelasi dan stationery dengan mengurangkan setiap data
dalam seri terdahulu. Durbin-Watson, Dickey- Fuller, Augmented Dickey-Fuller dan telaah akar seri univariate dapat digunakan untuk melakukan uji stationaritas
data.
J. UJI ASUMSI DASAR PENDEKATAN OLS
Uji asumsi klasik akan digunakan untuk semua bentuk persamaan regresi yang dibentuk. Dari masing-masing regresi yang dikemukakan di atas perlu dilakukan
pengujian apakah asumsi yang melandasi pendekatan OLS memenuhi syarat.
1. Uji Normalitas
Uji dilakukan untuk mengetahui apakah data sudah tersebar secara normal. Uji normalitas residu dengan menggunakan pendekatan OLS secara normal dideteksi
melalui pendekatan Jaque-Berra J-B. Metode ini didasarkan atas sampel besar yang diasumsikan bersifat asymptotic. Uji statistik J-B menggunakan formula
kemencengan skewness dan kurtosis sebagai berikut:
Dimana S adalah koefisien kemencengan dan K adalah koefisien kurtosis.
Jika suatu variabel didistribusikan secara normal maka S=0 dan K=3. Diharapkan nilai statistik J-B akan sama dengan nol. Besaran nilai statistik J-B didasarkan atas
distribusi chi square dengan derajat bebas df 2. Bila nilai probalitas p angka statistik J-B besar atau dengan kata lain nilai statistik tidak signifikan maka
menerima hipotesis bahwa residual terdistribusi secara normal karena nilai statitik J-B mendekati nol. Dilain pihak bila probalitas p statistik J-B kecil atau sighifikan
maka menolak hipotesis bahwa residual mempunyai distribusi normal karena nilai J-B tidak sama dengan nol. Jadi kriteria hipotesis adalah sebagai berikut:
H : data tersebar normal
H
a
: data tidak tersebar normal
Kriteria pengujian adalah : H
ditolak dan H
a
diterima bila nilai p pada derajat bebas 5.
H diterima dan H
a
ditolak bila nilai p pada derajat bebas 5.
Jika H ditolak artinya data tidak tersebar normal dan jika H
diterima data terdistribusi secara normal.
2. Multikolineritas
Kemudian uji multikolineritas. Uji ini digunakan untuk mengetahui apakah model regresi yang diestimasi ditemukan korelasi antar variabel independen. Bila
